运用下肢关节角度信息进行步态识别

　　1 引 言

　　步态识别技术是一种新兴的生物特征测量技术。文献[1

　　]指出，步态特征具有唯一性，可以利用人体步态特征进行身份识别。基于人体的步态行为特征进行识别，可以在一定程度上克服传统识别技术的不足，近年来逐渐被广泛关注。

　　步态识别方法可分为基于统计特征和基于模型两类。基于统计的方法直接从图像序列中提取相应统计参数，作为对象分类识别的特征指标，如Huang等人[2] 基于光流特征提出的主元分析法和线性判决方法混合变换，以及Wang等人[3]提出的基于轮廓的解卷绕识别方法等;而基于模型的方法则重点关注人的运动信息,预先建立人体模型,通过模型和图像序列的匹配获得模型参数, 再利用这些参数作为步态特征进行分类，Lee等人[4]采用7个椭圆来匹配运动人体的二值化轮廓的不同的身体部位,然后提取椭圆的29个矩特征来分析、 Yoo等人[5]根据解剖学的知识,进行躯体的拓扑分析,将人体的运动外轮廓简化为一种2D的stick模型。

　　目前，两类方法各自存在着一些缺点：基于统计的步态识别方法对背景和光照信号的变化敏感，且难以回避运动场景中的遮挡现象对识别能力所造成的严重影响;而基于模型的步态识别方法将整个步态序列的每帧单独看待，损失了步态周期的有机整体性。文献[6]指出身体的动态信息主要表现为大腿和小腿的摆动规律，因此可以在建立人体模型时作一些简化。

　　针对上述问题，本文提出了一种基于关节角度信息的步态识别算法：将腿部轮廓边界采用线段模型近似，并用最小二乘法拟合，计算出大腿和小腿的关节角度;考虑到步态运动的准周期性，将关节角度时序信息按傅利叶级数形式展开，利用遗传算法搜索出各次谐波的系数，对各次谐波的幅度值进行尺度标准化，由此构成特征向量进行步态的分类识别。

　　2 腿部关节角度信息提取

　　2.1 运动人体轮廓提取

　　采用背景消减法来提取运动目标。先计算出背景图像和当前图像的差值，再对差值图像进行二值化,得到二值图像，如图1(a),(b),(c)所示。对上述二值图像做进一步的后处理。最终提取出来的人体轮廓如图1(d)所示。由于采用背景消减法是运动目标检测的常用方法，限于篇幅，在此我们就不赘述了。

　　2.2 运动人体腿部建模

　　文献[5]中的Stick模型把人体看成是由若干刚体构件组成的机构，并在该假设下将运动人体骨骼化为一组服从特定连接顺序的线段，且每条线段都具有一定的转动灵活性。基于运动学分析的步态识别研究，采用各关节角度的时序变化来描述人体步态行为。在Stick模型中关节角度可定义为相应线段与给定轴线之间的夹角。考虑到腿部运动是步态的主要组成部分，本文对Stick模型进行简化，仅对运动人体的大腿和小腿进行局部建模分析。即由轮廓图像生成腿部线段，获得大腿和小腿的关节角度信息。